Pendekatan Flexibly Shaped Spatial Scan Statistic untuk Deteksi Wilayah Kantong Penyakit DBD Melalui Pemodelan Regresi.
|
|
- Liana Sudjarwadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (016) (301-98X Print) D-0 Pendekatan Flexibly Shaped Spatial Scan Statistic untuk Deteksi Wilayah Kantong Penyakit DBD Melalui Pemodelan Regresi Binomial Negatif Fefy Dita Sari dan Purhadi Jurusan Statistika, FMIPA, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya Indonesia Abstrak Menurut Laporan Profil Kesehatan Jawa Timur tahun 013, Jawa Timur adalah provinsi dengan umlah keadian luar biasa (KLB) DBD tertinggi di Indonesia dengan angka kematian masih di bawah target yakni 1,04 persen. Dalam penelitian ini dilakukan pendeteksian wilayah kantong penyakit DBD dengan Flexibly Shaped Spatial Scan Statistic. Untuk melakukan pendeteksian tersebut dibutuhkan nilai ramalan umlah kasus DBD di setiap kabupaten. Nilai ramalan dapat diperoleh dengan melakukan pemodelan regresi binomial negatif. Hasil penelitian menunukkan bahwa variabel yang berpengaruh signifikan terhadap umlah kasus DBD di Jawa Timur adalah persentase rumah tangga berperilaku hidup bersih dan sehat dan persentase sarana pendidikan dibina lingkungan kesehatannya. Hasil Flexibly Shaped Spatial Scan Statistic menunukkan bahwa terdapat dua belas kantong DBD. Daerah paling rawan yaitu Kota Surabaya yang memiliki nilai resiko relatif sebesar 3,16. Daerah dengan resiko terbesar kedua yakni Kabupaten Bondowoso dan Kabupaten Jember dengan resiko relatif sebesar,10. Kabupaten dengan resiko relatif tertinggi ketiga yakni Kabupaten Sampang denganresiko relatif 1,90. Kata Kunci DBD, Flexibly Shaped Spatial Scan Statistic, Regresi Binomial Negatif D I. PENDAHULUAN BD merupakan salah satu penyakit yang sampai saat ini masih menadi masalah kesehatan masyarakat karena peralanan penyakitnya cepat dan dapat menyebabkan kematian dalam waktu singkat. Indonesia yang berada di wilayah tropis pada daerah ekuator memungkinkan perkembangbiakan Aedes aegypti yang merupakan vektor dari virus dengue, sehingga Indonesia memiliki resiko besar untuk terangkit dan tertular DBD dengan cepat [1]. Pada beberapa tahun terakhir sering teradi peningkatan keadian luar biasa (KLB) DBD terutama di pulau Jawa. Jawa Timur adalah provinsi dengan KLB paling banyak di Indonesia dengan angka kematian atau case fatality rate (CFR) masih berada di bawah target Nasional yakni 1,04% []. Oleh karena itu perlu dilakukan pencegahan dini penularan penyakit DBD di Jawa Timur. Agar pencegahan lebih tepat sasaran dan berlangsung secara efektif dan efisien maka dibutuhkan informasi wilayah kantong penyakit DBD. Informasi tentang wilayah kantong penyakit DBD dapat diperoleh menggunakan metode scan statistics. Karena kantong wilayah DBD yang terbentuk tidak selalu berdekatan dan memiliki bentuk kantong yang beraturan maka pendekatan yang digunakan adalah Flexibly Shaped Spatial Scan Statistic. Pada metode ini dibutuhkan nilai ramalan umlah kasus DBD berdasarkan faktor-faktor yang mempengaruhi. Untuk mengetahui faktor-faktor yang mempengaruhi umlah kasus DBD dapat digunakan analisis regresi [3]. Jumlah kasus DBD merupakan salah satu contoh data cacahan, sehingga analisis yang tepat digunakan untuk mengetahui faktor-faktor yang mempengaruhi umlah kasus DBD di Jawa Timur adalah regresi Poisson. Dalam analisis regresi Poisson, sering kali muncul fenomena overdispersi [4]. Salah satu metode yang digunakan dalam mengatasi overdispersi dalam regresi Poisson adalah regresi Binomial Negatif. Penelitian ini dilakukan untuk mengidentifikasi wilayah kantong penyakit DBD di Jawa Timur dengan Flexibly Shaped Spatial Scan Statistic dan untuk mengetahui faktor-faktor yang mempengaruhi umlah kasus DBD di Jawa Timur, sehingga upaya pencegahan dan penanggulangan DBD dapat beralan secara efektif, efisien dan tepat sasaran. II. TINJAUAN PUSTAKA A. Statistika Deskriptif Statistika deskriptif adalah metode-metode yang berkaitan dengan pengumpulan dan penyaian suatu himpunan data, sehingga memberikan informasi yang berguna [5]. Contoh statistika deskriptif adalah rata-rata, koefisien varians, nilai minimum, nilai maksimum dan peta tematik. Salah satu bentuk penyaian statistika deskriptif adalah menggunakan peta tematik dengan metode natural break [6]. B. Multikolinieritas Salah satu syarat yang harus dipenuhi dalam pembentukan model regresi dengan beberapa variabel prediktor adalah tidak ada kasus multikolinearitas. Pendeteksian kasus multikolinieritas dilakukan koefisien korelasi dengan kriteria nilai VIF. Terdapat multikolinieritas ika koefisien koeralsi lebih dari 0,95. Nilai VIF (Variance Inflation Factor) lebih besar dari 10 menunukkan adanya multikolinieritas. Nilai VIF dinyatakan
2 JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (016) (301-98X Print) D-1 dengan R k 1 VIFk (1) 1 R k adalah koefisien determinasi antara satu variabel prediktor dengan variabel prediktor lainnya [7]. C. Regresi Poisson Regresi Poisson merupakan model regresi nonlinear yang tepat digunakan untuk memodelkan data cacahan [8]. Jika variabel random diskrit (y) merupakan distribusi Poisson dengan parameter µ maka fungsi probabilitas dinyatakan e y () f ( y, ) ; y 0,1,,... y! dengan µ merupakan rata-rata dari y yang berdistribusi Poisson. Persamaan model regresi Poisson dapat ditulis i exp 0 1x i.1 xi.... px (3) i. p Estimasi parameter dilakukan dengan metode Maximum Likelihood Estimation (MLE) yang memaksimumkan fungsi log likelihood. Selanutnya, estimasi parameter dilakukan dengan iterasi Newton Raphson dari turunan pertama fungsi log likelihood yang diturunkan terhadap β T dan disamadengankan nol. Syarat agar diperoleh estimasi parameter dengan MLE adalah dihasilkannya matrik Hessian yang definit negatif. Matrik Hessian adalah turunan kedua fungsi log likelihood terhadap β. Fungsi log likelihood dirumuskan n X T β n n e i y X T β ln y! ln L β (4) i i i i 1 i 1 i 1 Penguian signifikansi parameter terdiri dari ui serentak dan parsial. Ui signifikansi secara serentak menggunakan Maximum Likelihood Ratio Test (MLRT) dengan hipotesis sebagai berikut [9]. H 0: β 1 = β = = β p = 0 H 1: paling sedikit ada satu β 0, = 1,,, p Lωˆ D ˆβ ln Λ ln (5) L Ωˆ Tolak H 0 ika Dβ ˆ χ yang berarti minimal ada satu, p parameter yang berpengaruh secara signifikan. Kemudian dilakukan penguian parameter secara parsial dengan hipotesis H 0: β =0 H 1: β 0 ; =1,,...,p zhitung (6) Tolak H 0 ika z hitung z / dengan α merupakan tingkat signifikansi yang ditentukan. Overdispersi merupakan nilai dispersi pearson Chi-square atau deviance yang dibagi dengan deraat bebasnya, diperoleh nilai lebih besar dari 1 [10]. D. Regresi Binomial Negatif Model regresi Binomial Negatif mempunyai fungsi distribusi sebagai berikut [11]. SE ( ) 1/ y y 1/ 1 f y,, 1/ y! 1 1 y 0,1,,...; X T i i β (7) Estimasi model regresi Binomial Negatif dinyatakan i exp 0 1x i.1 xi.... pxi. p (8) Metode Maximum Likelihood Estimation (MLE) digunakan untuk estimasi parameter. Selanutnya, dengan iterasi Newton Raphson dari turunan pertama fungsi log likelihood yang diturunkan terhadap β, θ, dan disamadengankan nol. Syarat agar diperoleh estimasi parameter dengan MLE adalah dihasilkannya matrik Hessian yang definit negatif. Matrik Hessian adalah turunan kedua fungsi log likelihood terhadap β. Fungsi log likelihood dari regresi Binomial Negatif adalah (9) ln{l(β, θ)} = n y [( i 1 i=1 r=1 ln (r + θ 1 )) ln(y i!) + y i ln(θμ i ) (θ 1 + y i )ln(1 + θμ i )] Penguian signifikansi secara serentak untuk estimasi parameter model regresi Binomial Negatif dengan hipotesis sebagai berikut [1]. H 0: β 1= β =...= β p=0 H 1: minimal ada satu β 0; =1,,...,p L ωˆ D ˆβ ln Λ ln (10) L Ωˆ dimana Lˆ merupakan fungsi likelihood berdasarkan persamaan (9) tanpa melibatkan variabel prediktor, sedangkan LΩ ˆ merupakan fungsi likelihood dengan melibatkan variabel prediktor. Tolak H 0 ika Dβ ˆ χ yang berarti minimal ada, p satu parameter yang berpengaruh secara signifikan. Kemudian dilakukan penguian parameter secara parsial dengan hipotesis H 0: β =0 H 1: β 0 ; =1,,...,p zhitung (11) SE ) Tolak H 0 ika z hitung z / yang berarti bahwa parameter ke signifikan terhadap model regresi Binomial Negatif. E. Flexibly Shaped Spatial Scan Statistic Spatial Scan Statistic merupakan salah satu metode statistik yang digunakan untuk mendeteksi cluster pada sebuah lokasi yang berupa titik maupun data agregat. Metode Flexibly Spatial Scan Statistic mempunyai power lebih tinggi daripada metode Circular Spatial Scan Statistic saat cluster yang dideteksi adalah non-circular dan fleksibel terhadap bentuk kantong yang dihasilkan sehingga tidak terbatas pada bentuk lingkaran saa [13]. Algoritma yang digunakan untuk mendapatkan Z dengan pre-specified maximum length L adalah 1. Membentuk himpunan wilayah Z Z Z 1 i n,1 l L, 1 m m il( m) il (
3 JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (016) (301-98X Print) D- dimana n adalah banyaknya data pengamatan, L adalah banyak wilayah maksimum dalam satu kantong dan m adalah banyak data bangkitan dengan simulasi monte-carlo.. Himpunan wilayah Z dibagi menadi dua himpunan wilayah baru yakni Z 0 dan Z 1, dimana Z 0 adalah himpunan wilayah dari Z yang acak dan Z 1 uga merupakan himpunan wilayah acak dari Z selain Z 0 3. Buat himpunan baru yakni Z 0 terdiri dari wilayah Z 1 yang berbatasan dengan Z 0 dan Z 1 terdiri dari wilayah Z 1 yang tidak berbatasan dengan Z 0 4. Ulangi langkah 3 hingga Z 0 dan Z 1 menadi himpunan kosong. 5. Jika Z 1 menadi himpunan kosong terlebih dahulu maka Z adalah berhubungan, ika Z 0 kosong terlebih dahulu maka Z tidak berhubungan 6. Ulangi langkah -5 hingga terbentuk maksimum L wilayah. Untuk setiap wilayah i dan panang dari scanning window, hipotesis alternatifnya adalah minimal ada satu window Z yang mempunyai peluang resiko lebih tinggi (elevated risk) daripada di luar window. Dengan kata lain, hipotesis yang digunakan adalah H 0: E Y Z Z untuk semua Z H 1: E Y Z Z untuk beberapa Z dimana Y(.) melambangkan umlah kasus yang random dan μ(.) merupakan nilai harapan dari kasus window tertentu. λ = {( y(z) n(z) μ(z) ) ( y(zc ) n(zc) μ(z c ) ) I ( y(z) μ(z) > ) (y(zc μ(z c ) ))} (1) dimana Z c melambangkan semua wilayah di luar window Z, y(.) melambangkan umlah kasus dalam window yang ditentukan, n (Z) adalah banyaknya wilayah dalam window Z, n (Z c ) adalah banyaknya wilayah di luar window Z, dan I(.) merupakan fungsi indikator. Ketika memeriksa kantong dengan high rates, maka I(.) memiliki nilai 1 ika Z memiliki peluang lebih besar dan 0 ika lainnya. Prosedur untuk mendapatkan p-value dengan pendekatan Monte Carlo adalah 1. Hitung penumlahan nilai log likelihood ratio tertinggi t 0 untuk data riil.. Membangun data acak yang ukurannya sama dengan data riil yang dibangun di bawah kondisi H Melakukan proses pembentukan scanning window Z dari data acak yang dibangun berdasarkan kondisi H Mencari nilai log likelihood ratio dari setiap scanning window, dan dicatat apakah umlah kasus yang diamati lebih besar atau lebih kecil dari yang diestimasi, kemudian menumlahkan nilai log likelihood ratio yang umlah kasusnya lebih besar dari umlah yang diestimasi, untuk setiap scanning window. Langkah selanutnya, mendapatkan penumlahan nilai log likelihood ratio yang tertinggi dari simulasi pertama pembangunan data acak tersebut. 5. Mengulang langkah, 3, dan 4 sebanyak m kali pengulangan/simulasi, sehingga memperoleh m penumlahan nilai log likelihood ratio tertinggi dari data acak dan data riil. banyaknya T ( x) t Hitung p-value, 0 p m 1 t 0 menyatakan penumlahan nilai log likelihood ratio tertinggi yang dimiliki suatu scanning window Z dari data riil. T(x) adalah penumlahan nilai log likelihood ratio dari data acak yang dibangun di bawah kondisi H 0. m adalah banyaknya simulasi untuk membangun data di bawah kondisi H 0. Jika P- value < α maka tolak H 0 yang berarti bahwa window Z adalah wilayah kantong yang signifikan. F. Pemilihan Model Terbaik Kriteria yang digunakan untuk memilih model regresi terbaik adalah Akaike Information Criterion (AIC). AIC merupakan kriteria yang digunakan untuk memilih model terbaik yang didefinisikan AIC = ln L(β) + K (13) dimana ln L(β) merupakan nilai likelihood yang didapat dari persamaan (4) untuk regresi Poisson dan persamaan (9) untuk regresi Binomial Negatif. G. DBD DBD adalah penyakit yang disebabkan oleh virus dengue yang masuk ke peredaran darah manusia melalui gigitan nyamuk dari genus Aedes aegypti. Penyakit DBD dapat muncul sepanang tahun dan dapat menyerang seluruh kelompok umur. Penyakit ini berkaitan dengan kondisi lingkungan dan perilaku masyarakat. Penyakit ini masih menadi permasalahan kesehatan masyarakat karena fatalitasnya dalam menyebabkan kematian dan kerapnya Keadian Luar Biasa (KLB) yang teradi pada bulan tertentu. Adapun nyamuk Aedes aegypti memiliki kemampuan terbang mencapai radius meter. Oleh karena itu, ika di suatu lingkungan terkena kasus DBD, maka masyarakat yang berada pada radius tersebut harus waspada.nyamuk Aedes aegypti lebih menyukai tempat yang gelap, berbau, dan lembap. Tempat perindukan yang sering dipilih Aedes aegypti adalah kawasan yang padat dengan sanitasi yang kurang memadai, terutama digenangan air dalam rumah, seperti pot, vas bunga, bak mandi atau tempat penyimpanan air lainnya seperti tempayan, drum, atau ember plastik [14]. Faktor lingkungan memegang peranan penting dalam penularan penyakit, terutama lingkungan rumah yang tidak memenuhi syarat. Lingkungan rumah merupakan salah satu faktor yang memberikan pengaruh besar terhadap status kesehatan penghuninya [15]. Penyakit DBD sering teradi di daerah tropis dan muncul pada musim penghuan. Kurangnya kesadaran manusia dalam menaga kebersihan lingkungan uga merupakan hal yang berpengaruh terhadap penyakit DBD [16]. III. METODOLOGI PENELITIAN Data yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh melalui publikasi data profil kesehatan di Dinas Kesehatan Provinsi Jawa Timur tahun 014. Unit observasi penelitian sebanyak 38 kabupaten/kota di Provinsi Jawa Timur. Software yang digunakan adalah ArcView, FleXscan v3.1. dan program R. Penelasan masing-masing variabel adalah 1. Jumlah kasus Demam Berdarah Dengue di tiap kabupaten/kota (Y). Kepadatan Penduduk (X 1)
4 JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (016) (301-98X Print) D-3 3. Persentase rumah/bangunan bebas entik nyamuk Aedes (X ) 4. Persentase rumah tangga berperilaku hidup bersih dan sehat (PHBS) (X 3) 5. Persentase rumah sehat (X 4) 6. Persentase sarana pendidikan yang dibina lingkungan kesehatannya (X 5) Langkah analisis yang dilakukan dalam penelitian ini yang didasarkan pada tuuan penelitian adalah 1. Mendeskripsikan karakteristik umlah kasus DBD dan faktor-faktor yang mempengaruhinya di Provinsi Jawa Timur tahun 013 menggunakan pemetaan wilayah untuk masing-masing variabel.. Penguian kasus multikolinieritas berdasarkan kriteria korelasi dan VIF. 3. Menganalisis model regresi Poisson. 4. Menganalisis model regresi Binomial Negatif. 5. Melakukan pemilihan model terbaik dengan kriteria AIC. 6. Mendeteksi kantong DBD tingkat kabupaten/kota di provinsi Jawa Timur dengan Flexibly Shaped Spatial Scan Statistic. IV. ANALISIS DAN PEMBAHASAN A. Karakteristik Jumlah Kasus DBD Tahun 013 di Provinsi Jawa Timur Jumlah kasus DBD di Provinsi Jawa Timur sangat beragam di setiap kabupaten/kota. Keragaman data umlah kasus DBD yang tinggi ini teradi karena terdapat wilayah tertentu yang umlah kasus DBD nya sangat rendah yakni Kota Mookerto dengan umlah kasus DBD hanya 17 kasus sepanang tahun 013 sedangkan kondisi yang berbeda teradi di Kota Surabaya yakni dengan umlah kasus DBD sebanyak.07 kasus pada tahun 013. Gambar 1. Persebaran Jumlah Kasus DBD di Jawa Timur (Y) Pada Gambar 1 dengan indikator warna coklat tua merupakan kabupaten/kota dengan umlah kasus DBD tinggi antara rentang hingga.07 kasus yaitu Kota Surabaya. B. Pemeriksaan Multikolinieritas Berikut adalah salah satu cara mendeteksi multikolinieritas dengan kriteria korelasi dan VIF. Tabel 1. Korelasi antar Variabel Prediktor X1 X X3 X4 X 0,184 X3 0,85-0,080 X4 0,374 0,13 0,395 X5 0,01 0,409-0,064 0,430 Tabel. Nilai VIF dari Variabel Prediktor Variabel Prediktor VIF X1 1,34 X 1,36 X3 1,337 X4 1,658 X5 1,555 Tabel 1dan menunukkan nilai koefisien korelasi kurang dari 0,95 dan VIF dari masing-masing variabel prediktor memiliki nilai VIF kurang dari 10, sehingga dapat disimpulkan bahwa tidak terdapat kasus multikolinieritas. C. Regresi Poisson Berikut ini merupakan estimasi parameter model regresi Poisson. Tabel 3. Estimasi Parameter Model Regresi Poisson Estimate Std.Error Z Value P Value (Intercept) 5,815 0, ,899 <x10-16* X1 6,064x10-5 4,044 x ,996 <x10-16* X -0, ,88 x ,045 5,4x10-5* X3 0,037 7,63 x ,079 <x10-16* X4-0, ,500 x10-4 -, * X5-0, ,58 x ,5 <x10-16* Deviance: 8.757,8 DF: 31 *) signifikan dengan taraf nyata 5% AIC: 9.044,8 Tabel 3 menunukkan nilai devians sebesar 8.757,8 dengan taraf signifikansi 5% didapatkan 5;0,05 sebesar 11,070 yang berarti minimal ada satu variabel prediktor yang berpengaruh signifikan terhadap variabel respon. Berdasarkan hasil penguian secara individu diperoleh nilai P-value yang sangat kecil sehingga dapat disimpulkan bahwa semua variabel prediktor dalam model secara individu berpengaruh signifikan terhadap umlah kasus DBD di Jawa Timur. Sehingga didapatkan model regresi Poisson ln(μ ) = 5, ,064x10-5 X 1-0,00511 X + 0,037 X 3-0,00171 X 4-0, X 5 D. Regresi Binomial Negatif Berikut ini merupakan estimasi parameter model regresi Binomial Negatif. Tabel 4. Estimasi Parameter Model Regresi Binomial Negatif Estimate Std.Error Z Value P Value (Intercept) 5,985 1,806 3,314 0,0035* X1 3,61x10-5 7,04 x10-5 0,514 0,61076 X -,788x10-4 0,011-0,013 0,98954 X3 0, , ,539 0,13407* X4-1,40x10-4 0,0079-0, X5-0, , ,30 0,19665*
5 JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (016) (301-98X Print) D-4 Deviance: 31 DF: 31 AIC: 5,1 *) signifikan dengan taraf nyata 5% Tabel 4 menunukkan nilai devians sebesar 31 dengan taraf signifikansi 5% didapatkan 5;0,5 sebesar 6,6568 yang artinya minimal ada satu variabel prediktor yang berpengaruh signifikan terhadap variabel respon. Berdasarkan hasil penguian secara individu hanya terdapat dua variabel prediktor yang signifikan, yaitu X 3 dan X 5. Berikut ini merupakan model regresi Binomial Negatif. ln(μ ) = 5, ,61x10-5 X 1 -,788 x10-4 X + 0,01689 X 3-1,40 x10-4 X 4-0,01099 X 5 Berdasarkan model yang terbentuk dapat diketahui bahwa setiap pertambahan 1 iwa/km (X 1) maka akan menambah rata-rata umlah kasus DBD sebesar exp(0, ) 1 kasus dengan asumsi variabel lain konstan. Selanutnya setiap pertambahan persentase rumah/bangunan bebas entik aedes (X ) sebesar 1 persen maka umlah kasus DBD akan berkurang sebesar exp(0,000788) 1 kasus dengan asumsi variabel lain konstan. Penambahan 1 persen rumah tangga berperilaku hidup bersih dan sehat (X 3) akan meningkatkan umlah kasus DBD sebesar exp (0,01689) 1 kasus DBD di setiap kabupaten/kota dengan asumsi variabel lain konstan. Hal ini tidak sesuai karena seharusnya semakin tinggi rumah tangga yang berperilaku hidup bersih dan sehat maka semakin sedikit umlah kasus DBD nya. Namun ketidaksesuaian tersebut bukan berarti bahwa semakin tinggi persentase rumah tangga yang berperilaku hidup bersih dan sehat ustru akan meningkatkan umlah kasus DBD. Hal ini mungkin saa teradi karena dampak dari perilaku hidup bersih dan sehat pada masyarakat tidak langsung memberikan dampak pada penurunan umlah kasus DBD namun dampaknya dirasakan setelah beberapa interval waktu tertentu. E. Pemilihan Model Terbaik Pemilihan model terbaik dengan kriteria AIC adalah sebagai berikut. Tabel 5.Pemilihan Model Terbaik Model AIC Regresi Poisson 9.044,8 Regresi Binomial Negatif 5,1 Tabel 5 menunukkan bahwa model regresi Binomial Negatif memiliki nilai AIC lebih kecil dibanding dengan regresi poisson, sehingga dapat disimpulkan bahwa model regresi Binomial Negatif lebih baik dalam memodelkan umlah kasus DBD di kabupaten/kota Jawa Timur. F. Pendeteksian Kantong DBD dengan Flexibly Shaped Spatial Scan Statistic Berikut adalah hasil pendeteksian kantong DBD di Jawa Timur dengan pengulangan sebanyak Gambar 3. Peta Pendeteksian Kantong DBD di Jawa Timur Tabel 8. Hasil Deteksi Kantong DBD di Jawa Timur Kantong DBD Juml.Kab Kab/Kota Resiko Relatif 1 1 Kota Surabaya 3,46 Kab. Jember, Bondowoso, Kab.Sampang 1,90 4 Kab. Malang, Kota Malang 1, Kab. Malang Kab. Sumenep 1,7 7 Kab. Trenggalek, Kab.Tulungagung 1, Kab.Ponorogo Kab.Bangkalan 1, Kab. Jombang 1, Kab. Situbondo Kab. Pasuruan 1,4 Kota Surabaya merupakan kota yang paling rawan terkena DBD dimana Kota Surabaya beresiko terkena DBD 3,46 kali lebih besar dibanding kabupaten/kota lain. Kantong kedua terdiri dari Kabupaten Jember dan Kabupaten Bondowoso dengan umlah kasus adalah resiko relatif,10. Kantong ketiga yakni Kabupaten Sampang yang memiliki resiko 1,90 kali lebih tinggi untuk terkena DBD dibanding kab/kota lain di luar kantong 3. V. KESIMPULAN DAN SARAN Kantong 1: Kota Surabaya Kantong : Kab Bondowoso, Jember Kantong 3: Kab Sampang Hasil pemodelan regresi Binomial Negatif menunukkan bahwa variabel yang signifikan adalah persentase rumah tangga berperilaku hidup bersih dan sehat dan persentase sarana pendidikan di bina lingkungan kesehatannya. Hasil pendeteksian kantong DBD di Jawa Timur menunukkan bahwa terbentuk dua belas kantong DBD dimana 1 wilayah yakni Kota Surabaya merupakan daerah paling rawan terkena DBD dengan resiko 3,46 kali di banding wilayah lainnya. Saran untuk penelitian selanutnya dapat dilakukan analisis dengan Geographically Weighted Negative Binomial Regression dengan menambah variabel-variabel baru.
6 JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (016) (301-98X Print) D-5 DAFTAR PUSTAKA [1] World Health Organization. Dengue Guidelines for Diagnosis, treatment, Prevention and Control. Diakses dari pada Desember 015, 009. [] Dinas Kesehatan Provinsi Jawa Timur. Profil Kesehatan Jawa Timur Tahun 013. Surabaya: Dinas Kesehatan Provinsi Jawa Timur, 014. [3] Draper, N. R., dan Smith, H. (1998). Applied Regression Analysis (3rd ed.). New York: John Wiley & Sons, Inc. [4] Cameron, A. C., & Trivedi, P. K. Regression Analysis of Count Data. Cambridge: Cambridge University Press, [5] Walpole, R E. (1995). Pengantar Statistika. Jakarta: Gramedia Pustaka Utama. [6] Expert Health Data Programming (014). What is Jenks Natural Breaks?? diakses dari vitalnet/ breaks-1.htm pada 30 desember 015 [7] Hocking, R.R. Method and Applications of Linier Models. New York: John Wiley and Sons,Inc, [8] Agresti, A. Categorical Data Analysis Second Edition. New York: John Wiley & Sons, 00. [9] Mc Cullagh, P. and Nelder, J.A. Generalized Linear Models Second Edition. London: Chapman & Hall, [10] Hardin, J. W., & Hilbe, J. M. Generalized Linear Models and Extensions Second Edition. Texas: Stata Press, 007. [11] Greene, W. Functional Forms for the Negative Binomial Model for Count Data, Foundation, and Trends in Ecometrics,99, New York: New York University, 008. [1] Hosmer, David Watson and Lemeshow, Sticher. Applied Logistic Regression. New York: John Wiley and Sons Inc, [13] Tango, T. dan Takahashi, k. A Flexibly Shaped Spatal Scan Statistic For Detecting Clusters. International Journal of Health Geographics. Volume 4:11, 005. [14] Tobing, TMDNL. Pemodelan Kasus DBD (DBD) di Jawa Timur dengan Model Poisson dan Binomial Negatif. Bogor: Thesis Institut Pertanian Bogor, 011. [15] Notoatmodo, S. Ilmu Kesehatan Masyarakat, Prinsip- Prinsip Dasar. Jakarta: Rineka Cipta, 003. [16] Sigarlaki, H.J.O. Karakteristik, Pengetahuan, dan Sikap Ibu terhadap Penyakit Demam Berdarah Dengue. Jakarta. Universitas Kristen Indonesia, 01.
Regresi Bivariat Poisson Dalam Pemodelan Jumlah Kematian Bayi dan Jumlah Kematian Ibu di Propinsi Jawa Timur
1 Regresi Bivariat Poisson Dalam Pemodelan Jumlah Kematian Bayi dan Jumlah Kematian Ibu di Propinsi Jawa Timur Elvira Pritasari dan Purhadi Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciPemodelan Jumlah Kematian Bayi Di Kabupaten Bojonegoro Dengan Menggunakan Metode Analisis Regresi Binomial Negatif
1 Pemodelan Jumlah Kematian Bayi Di Kabupaten Bojonegoro Dengan Menggunakan Metode Analisis Regresi Binomial Negatif Nike Dwi Wilujeng Mahardika dan Sri Pingit Wulandari Statistika, FMIPA, Institut Teknologi
Lebih terperinciKematian wanita saat melahirkan dan saat 42 hari setelah melahirkan bukan dikarenakan kecelakaan
VIF Distribusi Poisson Regresi Poisson Kematian Bayi Kematian Ibu Kematian wanita saat melahirkan dan saat 42 hari setelah melahirkan bukan dikarenakan kecelakaan 1 Pendaharan terberat pada masa nifas
Lebih terperinciGENERALIZED POISSON REGRESSION (GPR)
PEMODELAN JUMLAH KASUS KANKER SERVIKS DI JAWA TIMUR MENGGUNAKAN ANALISIS GENERALIZED POISSON REGRESSION (GPR) 12/06/2012 Oleh: RIZA INAYAH / 1309.030.042 Dosen Pembimbing: DR. Purhadi, M.Sc Jurusan Statistika
Lebih terperinciS - 13 PEMODELAN SPASIAL KEMISKINAN DENGAN MIXED GEOGRAPHICALLY WEIGHTED POISSON REGRESSION DAN FLEXIBLY SHAPED SPATIAL SCAN STATISTIC
S - 13 PEMODELAN SPASIAL KEMISKINAN DENGAN MIXED GEOGRAPHICALLY WEIGHTED POISSON REGRESSION DAN FLEXIBLY SHAPED SPATIAL SCAN STATISTIC (Studi Kasus: Jumlah Rumah Tangga Sangat Miskin di Kabupaten Kulonprogo)
Lebih terperinciKata Kunci: Model Regresi Logistik Biner, metode Maximum Likelihood, Demam Berdarah Dengue
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 9 16 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI KEJADIAN DBD (DEMAM BERDARAH DENGUE) MENGGUNAKAN REGRESI LOGISTIK
Lebih terperinciPemodelan Jumlah Kasus Hiv dan Aids di Kota Surabaya Menggunakan Bivariate Generalized Poisson Regression
JURNAL SAINS DAN SENI ITS Vol. 6, No., (7) ISSN: 337-3 (3-98X Print) D-98 Pemodelan Jumlah Kasus Hiv dan Aids di Kota Surabaya Menggunakan Bivariate Generalized Poisson Regression Suprianto Simanuntak,
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) D-285
JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) 2337-3520 (2301-928X Print) D-285 Analisis Faktor-Faktor Risiko yang Mempengaruhi Jumlah Kasus Malaria di Jawa Timur Tahun 2013 dengan Geographically Weighted
Lebih terperinciOleh : Anindya Frisanty Ikaprillia Dosen Pembimbing : Dr. Purhadi, M.Sc
Oleh : Anindya Frisanty Ikaprillia 1309 100 014 Dosen Pembimbing : Dr. Purhadi, M.Sc Pendahuluan Tinjauan Pustaka Metodologi Penelitian Analisis dan Pembahasan Kesimpulan dan Saran Rumusan Masalah Tujuan
Lebih terperinciPemodelan Jumlah Kematian Ibu di Jawa Timur dengan Geographically Weighted Negative Binomial Regression (GWNBR)
JURNAL SAINS DAN SENI POMITS Vol. 3, No., (014) ISSN: 337-3539 (301-971 Print) D-18 Pemodelan Jumlah Kematian Ibu di Jawa Timur dengan Geographically Weighted Negative Binomial Regression (GWNBR) Eriska
Lebih terperinciPEMODELAN DISPARITAS GENDER DI JAWA TIMUR DENGAN PENDEKATAN MODEL REGRESI PROBIT ORDINAL
1 PEMODELAN DISPARITAS GENDER DI JAWA TIMUR DENGAN PENDEKATAN MODEL REGRESI PROBIT ORDINAL Uaies Qurnie Hafizh, Vita Ratnasari Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut
Lebih terperinciMASALAH NILAI AWAL ITERASI NEWTON RAPHSON UNTUK ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG)
MASALAH NILAI AWAL ITERASI NEWTON RAPHSON UNTUK ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG) Shaifudin Zuhdi, Dewi Retno Sari Saputro Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciPENERAPAN REGRESI POISSON DAN BINOMIAL NEGATIF DALAM MEMODELKAN JUMLAH KASUS PENDERITA AIDS DI INDONESIA BERDASARKAN FAKTOR SOSIODEMOGRAFI
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 58 65 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENERAPAN REGRESI POISSON DAN BINOMIAL NEGATIF DALAM MEMODELKAN JUMLAH KASUS PENDERITA AIDS DI INDONESIA
Lebih terperinciPemodelan Faktor yang Mempengaruhi Jumlah Hiv dan Aids Provinsi Jawa Timur Menggunakan Regresi Poisson Bivariat
JURNAL SAINS DAN SENI POMIS Vol., No., ( 7- (-98X Print D- Pemodelan Faktor yang Mempengaruhi Jumlah Hiv dan Aids Provinsi Jawa imur Menggunakan Regresi Poisson Bivariat Novi ri Ratnasari dan Purhadi Jurusan
Lebih terperinciPEMODELAN JUMLAH KEJADIAN LUAR BIASA DIFTERI DI JAWA TIMUR MENGGUNAKAN GEOGRAPHICALLY WEIGHTED NEGATIVE BINOMIAL REGRESSION (GWNBR)
1 PEMODELAN JUMLAH KEJADIAN LUAR BIASA DIFTERI DI JAWA TIMUR MENGGUNAKAN GEOGRAPHICALLY WEIGHTED NEGATIVE BINOMIAL REGRESSION (GWNBR) Bunga Nevrieda Nandasari dan Ir. Sri Pingit Wulandari, M.Si Jurusan
Lebih terperinciJurnal Matematika Vol. 2 No. 2, Desember ISSN :
Jurnal Matematika Vol. 2 No. 2, Desember 2012. ISSN : 1693-1394 Perbandingan Analisis Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif Untuk Mengatasi Overdispersi Studi Kasus: Pemodelan
Lebih terperinciMODEL REGRESI POISSON YANG DIPERUMUM UNTUK MENGATASI OVERDISPERSI PADA MODEL REGRESI POISSON
MODEL REGRESI POISSON YANG DIPERUMUM UNTUK MENGATASI OVERDISPERSI PADA MODEL REGRESI POISSON Ade Susanti, Dewi Retno Sari Saputro, dan Nughthoh Arfawi Kurdhi Program Studi Matematika FMIPA UNS Abstrak
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA KEMATIAN BAYI DI JAWA TENGAH MENGGUNAKAN REGRESI GENERALIZED POISSON DAN BINOMIAL NEGATIF
ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA KEMATIAN BAYI DI JAWA TENGAH MENGGUNAKAN REGRESI GENERALIZED POISSON DAN BINOMIAL NEGATIF 1 Alan Prahutama, 2 Sudarno, 3 Suparti, 4 Moch. Abdul Mukid 1,2,3,4
Lebih terperinciJUDUL TUGAS AKHIR SS141501
JUDUL TUGAS AKHIR SS141501 IDENTIFIKASI WILAYAH KANTONG PENYAKIT DEMAM BERDARAH DENGUE (DBD) DENGAN FLEXIBLY SHAPED SPATIAL SCAN STATISTIC MELALUI PEMODELAN GEOGRAPHICALLY WEIGHTED NEGATIVE BINOMIAL REGRESSION
Lebih terperinci(M.9) PEMODELAN MELEK HURUF DAN RATA-RATA LAMA STUDI DENGAN PENDEKATAN MODEL BINER BIVARIAT
Univeitas Padjadjaran, 3 November 00 (M.9) PEMODELAN MELEK HURUF DAN RATA-RATA LAMA STUDI DENGAN PENDEKATAN MODEL BINER BIVARIAT Vita Ratnasari, Purhadi, Ismaini, Suhartono Mahasiswa S3 Jurusan Statistika
Lebih terperinci(R.1) KAJIAN MODEL GEOGRAPHICALLY WEIGHTED POISSON REGRESSION UNTUK MASALAH DATA SPASIAL DISKRIT
REGRESI 2 (R.1) KAJIAN MODEL GEOGRAPHICALLY WEIGHTED POISSON REGRESSION UNTUK MASALAH DATA SPASIAL DISKRIT Dani Robini, Budi Nurani R., Nurul Gusriani Jurusan Matematika FMIPA Universitas Padjadjaran Jl.
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS (RLOTG) DENGAN METODE FISHER SCORING
ESTIMASI PARAMETER MODEL REGRESI LOGISTIK ORDINAL TERBOBOTI GEOGRAFIS RLOTG DENGAN METODE FISHER SCORING Aulia Nugrahani Putri, Purnami Widyaningsih, dan Dewi Retno Sari Saputro Program Studi Matematika
Lebih terperinciKegiatan Anak Usia Tahun di Jawa Timur Menggunakan Regresi Logistik Multinomial: Suatu Peranan Urutan Kelahiran
Kegiatan Anak Usia 10-15 Tahun di Jawa Timur Menggunakan Regresi Logistik Multinomial: Suatu Peranan Urutan Kelahiran Rudi Salam Badan Pusat Statistik, Tinggi Ilmu Statistik, Jakarta, Indonesia rudisalam@stis.ac.id
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEPUTUSAN KONSUMEN MEMBELI SUATU PRODUK DENGAN METODE ANALISIS REGRESI LOGISTIK ORDINAL
J u r n a l E K B I S / V o l. V I / N o. / e d i s i M a r e t 2 0 2 379 ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEPUTUSAN KONSUMEN MEMBELI SUATU PRODUK DENGAN METODE ANALISIS REGRESI LOGISTIK ORDINAL
Lebih terperinciPEMODELAN JUMLAH KEMATIAN BAYI DI KOTA PADANG TAHUN 2013 DAN 2014 DENGAN PENDEKATAN REGRESI BINOMIAL NEGATIF
Jurnal Matematika UNAND Vol. VI No. 1 Hal. 74 82 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN JUMLAH KEMATIAN BAYI DI KOTA PADANG TAHUN 2013 DAN 2014 DENGAN PENDEKATAN REGRESI BINOMIAL NEGATIF
Lebih terperinciMasalah Overdispersi dalam Model Regresi Logistik Multinomial
Statistika, Vol. 16 No. 1, 29 39 Mei 2016 Masalah Overdispersi dalam Model Regresi Logistik Multinomial Annisa Lisa Nurjanah, Nusar Hajarisman, Teti Sofia Yanti Prodi Statistika, Fakultas Matematika dan
Lebih terperinciABSTRAK. Kata kunci: Gizi Buruk, GWNBR, Flexibly Shaped Spatial Scan Statistic, Kantong Gizi Buruk ABSTRACT
Pemodelan Spasial Balita Gizi Buruk dengan Geographically Weighted Negative Binomial Regression dan Flexibly Shaped Spatial Scan Statistic (Studi Kasus Jumlah Balita Gizi Buruk di Jawa Timur Tahun 2013)
Lebih terperinciPENERAPAN REGRESI ZERO-INFLATED NEGATIVE BINOMIAL (ZINB) UNTUK PENDUGAAN KEMATIAN ANAK BALITA
E-Jurnal Matematika Vol. 2, No.4, Nopember 2013, 11-16 ISSN: 2303-1751 PENERAPAN REGRESI ZERO-INFLATED NEGATIVE BINOMIAL (ZINB) UNTUK PENDUGAAN KEMATIAN ANAK BALITA NI MADE SEKARMINI 1, I KOMANG GDE SUKARSA
Lebih terperinciDosen Pembimbing : Dr. Purhadi, M.Sc
Citra Fatimah Nur / 1306 100 065 Dosen Pembimbing : Dr. Purhadi, M.Sc Outline 1 PENDAHULUAN TINJAUAN PUSTAKA 3 METODOLOGI PENELITIAN 4 ANALISIS DAN PEMBAHASAN 5 KESIMPULAN Latar Belakang 1960-1970 1970-1980
Lebih terperinciPEMODELAN JUMLAH ANAK PUTUS SEKOLAH DI PROVINSI BALI DENGAN PENDEKATAN SEMI-PARAMETRIC GEOGRAPHICALLY WEIGHTED POISSON REGRESSION
E-Jurnal Matematika Vol. 2, No.3, Agustus 2013, 29-34 ISSN: 2303-1751 PEMODELAN JUMLAH ANAK PUTUS SEKOLAH DI PROVINSI BALI DENGAN PENDEKATAN SEMI-PARAMETRIC GEOGRAPHICALLY WEIGHTED POISSON REGRESSION GUSTI
Lebih terperinciPEMODELAN DAN PEMETAAN ANGKA BUTA HURUF PROVINSI JAWA TIMUR DENGAN PENDEKATAN REGRESI SPASIAL. Bertoto Eka Firmansyah 1 dan Sutikno 2
PEMODELAN DAN PEMETAAN ANGKA BUTA HURUF PROVINSI JAWA TIMUR DENGAN PENDEKATAN REGRESI SPASIAL Bertoto Eka Firmansyah dan Sutikno Mahasiswa Jurusan Statistika, ITS, Surabaya Dosen Pembimbing, Jurusan Statistika,
Lebih terperinciANALISIS SURVIVAL DENGAN MODEL REGRESI COX WEIBULL PADA PENDERITA DEMAM BERDARAH DENGUE DI RSU HAJI SURABAYA
ANALISIS SURVIVAL DENGAN MODEL REGRESI COX WEIBULL PADA PENDERITA DEMAM BERDARAH DENGUE DI RSU HAJI SURABAYA Oleh : Endhy Bastyan NRP : 1308100011 Tahap : Sarjana Dosen Pembimbing :Dr. I Nyoman Latra,
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (2017) ISSN: ( X Print) D-108
JURNAL SAINS DAN SENI IS Vol. 6, No., (7 ISSN: 337-3 (3-98X Print D-8 Analisis Faktor-Faktor yang Berpengaruh erhadap Jumlah Kematian Ibu dan Jumlah Kematian Bayi di Provinsi Jawa engah dengan Bivariate
Lebih terperinciABSTRAK. Kata kunci : regresi Poisson, GWPR, Angka Kematian Bayi (AKB)
PEMODELAN ANGKA KEMATIAN BAYI DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR) DI PROVINSI JAWA TIMUR Septika Tri Ardiyanti 1, Purhadi 2 1 Mahasiswa Jurusan Statistika ITS. 2 Dosen Jurusan
Lebih terperinciEARLY WARNING SYSTEM JUMLAH ANAK PUTUS SEKOLAH DENGAN METODE ZERO TRUNCATED NEGATIVE BINOMIAL
EARLY WARNING SYSTEM JUMLAH ANAK PUTUS SEKOLAH DENGAN METODE ZERO TRUNCATED NEGATIVE BINOMIAL Robert Kurniawan Jurusan Statistika Komputasi, Sekolah Tinggi Ilmu Statistik (STIS), Jakarta Jl. Otto Iskandardinata
Lebih terperinciPemodelan Jumlah Kematian Bayi di Propinsi Jawa Timur dengan Pendekatan Geographically Weighted Poisson Regression Semi Parametric (GWPRS)
Seminar Tugas Akhir Pemodelan Jumlah Kematian Bayi di Propinsi Jawa Timur dengan Pendekatan Geographically Weighted Poisson Regression Semi Parametric (GWPRS) Oleh : Dessy Puspa Rani 1306. 100. 034 Dosen
Lebih terperinciKata Kunci Overdispersi, regresi Zero-Inflated Generalized Poisson (ZIGP), Tetanus Neonatorum.
1 Pemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kasus Tetanus Neonatorum (TN) di Jawa Timur dengan Metode Regresi Zero- Inflated Generalized Poisson (ZIGP) 1 Siska Puji Lestari, 2 Ir. Sri Pingit Wulandari,
Lebih terperinciModel Probit Untuk Ordinal Response
SEMINAR NASIONAL MAEMAIKA DAN PENDIDIKAN MAEMAIKA UNY Model Probit Untuk Ordinal Response S - 4 Defi Yusti Faidah, Resa Septiani Pontoh, Departemen Statistika FMIPA Universitas Padadaran defi.yusti@unpad.ac.id
Lebih terperinciPemodelan Logit, Probit dan Complementary Log-Log pada Studi Kasus Partisipasi Perempuan dalam Pembangunan Ekonomi di Kalimantan Selatan
D181 Logit, Probit dan Complementary Log-Log pada Studi Kasus Partisipasi Perempuan dalam Pembangunan Ekonomi di Kalimantan Selatan Rizfanni Cahya Putri dan Vita Ratnasari Jurusan Statistika, Fakultas
Lebih terperinciPenaksiran Parameter Regresi Linier Logistik dengan Metode Maksimum Likelihood Lokal pada Resiko Kanker Payudara di Makassar
Vol.14, No. 2, 159-165, Januari 2018 Penaksiran Parameter Regresi Linier Logistik dengan Metode Maksimum Likelihood Lokal pada Resiko Kanker Payudara di Makassar Sutrianah Burhan 1, Andi Kresna Jaya 1
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 3, No.2, (2014) ( X Print)
Pemodelan Faktor-Faktor yang Mempengaruhi Jumlah Kasus Tetanus Neonatorum (TN) di Jawa Timur dengan Metode Regresi Zero- Inflated Generalized Poisson (ZIGP) D-116 Siska Puji Lestari dan Sri Pingit Wulandari
Lebih terperinciPEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH PENGANGGURAN DI PROVINSI JAWA TIMUR DENGAN MENGGUNAKAN REGRESI BINOMIAL NEGATIF
TUGAS AKHIR SS 145561 PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH PENGANGGURAN DI PROVINSI JAWA TIMUR DENGAN MENGGUNAKAN REGRESI BINOMIAL NEGATIF Albertus Eka Putra Haryanto NRP 1314 030 014 Dosen
Lebih terperinciE-Jurnal Matematika Vol. 3 (3), Agustus 2014, pp ISSN:
E-Jurnal Matematika Vol. 3 3), Agustus 2014, pp. 107-115 ISSN: 2303-1751 PERBANDINGAN REGRESI BINOMIAL NEGATIF DAN REGRESI GENERALISASI POISSON DALAM MENGATASI OVERDISPERSI Studi Kasus: Jumlah Tenaga Kerja
Lebih terperinciModel Regresi Zero Inflated Poisson Pada Data Overdispersion
Model Regresi Zero Inflated Poisson Pada Data Overdispersion Wirajaya Kusuma Fakultas MIPA, Universitas Mataram e-mail: Kusuma_Wirajaya@yahoo.co.id Desy Komalasari Fakultas MIPA, Universitas Mataram e-mail:
Lebih terperinciPengujian Overdispersi pada Model Regresi Poisson (Studi Kasus: Laka Lantas Mobil Penumpang di Provinsi Jawa Barat)
Statistika, Vol. 14 No. 2, 69 76 November 2014 Pengujian Overdispersi pada Model Regresi Poisson (Studi Kasus: Laka Lantas Mobil Penumpang di Provinsi Jawa Barat) Jurusan Matematika, Fakultas Sains dan
Lebih terperinciInformasi Fisher pada Algoritme Fisher Scoring untuk Estimasi Parameter Model Regresi Logistik Ordinal Terboboti Geografis (RLOTG)
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Informasi Fisher pada Algoritme Fisher Scoring untuk Estimasi Parameter Model Regresi Logistik Ordinal Terboboti Geografis (RLOTG) Aulia Nugrahani
Lebih terperinciRegresi Poisson dan Penerapannya Untuk Memodelkan Hubungan Usia dan Perilaku Merokok Terhadap Jumlah Kematian Penderita Penyakit Kanker Paru-Paru
Regresi Poisson dan Penerapannya Untuk Memodelkan Hubungan Usia dan Perilaku Merokok Terhadap Jumlah Kematian Penderita Penyakit Kanker Paru-Paru IIN SUNDARI Program Studi Matematika, Fakultas Matematika
Lebih terperinciHASIL DAN PEMBAHASAN Model Regresi Poisson
HASIL DAN PEMBAHASAN Model Regresi Poisson Hubungan antara jumlah penderita DBD dan faktor-faktor yang mempengaruhinya dapat diketahui dengan menggunakan analisis regresi. Analisis regresi yang digunakan
Lebih terperinciPerbandingan Analisis Generalized Poisson Regression
1 Perbandingan Analisis Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif (Studi Kasus: Pemodelan Jumlah Penderita Kusta di Jawa Timur Tahun 2012 Sari Putri (1) dan Wiwiek Setya Winahju
Lebih terperinci(R.5) Pemodelan Regresi Poisson Terboboti Geografis Pada Kasus Gizi. buruk di Jawa Timur.
(R.5) Pemodelan Regresi Poisson Terboboti Geografis Pada Kasus Gizi Buruk di Jawa Timur Ida Mariati Hutabarat 1, Asep Saefuddin 2 1Jurusan Matematika Uncen. 2 Departemen Statistika IPB 1Jl.Kamp Wolker
Lebih terperinciPEMODELAN JUMLAH KEMATIAN AKIBAT DIFTERI DI PROVINSI JAWA TIMUR DENGAN REGRESI BINOMIAL NEGATIF DAN ZERO-INFLATED POISSON
Prosiding Seminar Nasional Matematika, Universitas Jember, 9 November 04 0 PEMODELAN JUMLAH KEMATIAN AKIBAT DIFTERI DI PROVINSI JAWA TIMUR DENGAN REGRESI BINOMIAL NEGATIF DAN ZERO-INFLATED POISSON Nurul
Lebih terperinciA. Latar Belakang Analisis regresi merupakan suatu metode yang digunakan untuk mengetahui
PENDAHULUAN A. Latar Belakang Analisis regresi merupakan suatu metode yang digunakan untuk mengetahui hubungan sebab akibat antara peubah respon dengan peubah penjelas. Analisis regresi terbagi atas dua
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 1, Tahun 2017, Halaman 111-120 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI INDEKS PEMBANGUNAN
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) A-61
JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) 2337-3520 (2301-928X Print) A-61 Model Regresi Probit Bivariat pada Kasus Penderita HIV dan AIDS di Jawa Timur Bella Yuliatin Puspita Sari, dan Farida Agustini
Lebih terperinciGeneralized Ordinal Logistic Regression Model pada Pemodelan Data Nilai Pesantren Mahasiswa Baru FMIPA Universitas Islam Bandung Tahun 2017
Prosiding Statistika ISSN: 2460-6456 Generalized Ordinal Logistic Regression Model pada Pemodelan Data Nilai Pesantren Mahasiswa Baru FMIPA Universitas Islam Bandung Tahun 2017 Generalized Ordinal Logistic
Lebih terperinciANALISIS TAHAN HIDUP PENDERITA DEMAM BERDARAH DENGUE
ANALISIS TAHAN HIDUP PENDERITA DEMAM BERDARAH DENGUE (DBD) DI KABUPATEN KARANGANYAR DENGAN PENDEKATAN BAYESIAN Titian Peramu Cahyani, Sri Subanti dan Purnami Widyaningsih Jurusan Matematika Fakultas Matematika
Lebih terperinciPEMODELAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSION PADA REGRESI POISSON
PEMODELAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSION PADA REGRESI POISSON Rena Muntafiah 1, Rochdi Wasono 2, Moh. Yamin Darsyah 3 1,2,3 Program Studi Statistika, Fakultas Matematika dan Ilmu
Lebih terperinciPEMODELAN JUMLAH KASUS TETANUS NEONATORUM DENGAN MENGGUNAKAN REGRESI POISSON UNTUK WILAYAH REGIONAL 2 INDONESIA (SUMATERA)
Jurnal Matematika UNAND Vol. 5 No. 1 Hal. 116 124 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN JUMLAH KASUS TETANUS NEONATORUM DENGAN MENGGUNAKAN REGRESI POISSON UNTUK WILAYAH REGIONAL 2
Lebih terperinciPENERAPAN REGRESI GENERALIZED POISSON UNTUK MENGATASI FENOMENA OVERDISPERSI PADA KASUS REGRESI POISSON
E-Jurnal Matematika Vol., No., Mei 013, 49-53 ISSN: 303-1751 PENERAPAN REGRESI GENERALIZED POISSON UNTUK MENGATASI FENOMENA OVERDISPERSI PADA KASUS REGRESI POISSON I PUTU YUDANTA EKA PUTRA 1, I PUTU EKA
Lebih terperinciREGRESI LOGISTIK UNTUK PEMODELAN INDEKS PEMBANGUNAN KESEHATAN MASYARAKAT KABUPATEN/KOTA DI PULAU KALIMANTAN
REGRESI LOGISTIK UNTUK PEMODELAN INDEKS PEMBANGUNAN KESEHATAN MASYARAKAT KABUPATEN/KOTA DI PULAU KALIMANTAN M. Fathurahman Jurusan Matematika, Program Studi Statistika, Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciPEMODELAN ANGKA PUTUS SEKOLAH BAGI ANAK USIA WAJIB BELAJAR DI JAWA TIMUR DENGAN PENDEKATAN GENERALIZED POISSON REGRESSION
PEMODELAN ANGKA PUTUS SEKOLAH BAGI ANAK USIA WAJIB BELAJAR DI JAWA TIMUR DENGAN PENDEKATAN GENERALIZED POISSON REGRESSION 1 Tanty Citrasari Wijayanti (1307100024) 2 Setiawan (19601030 198701 1 001) 1 Mahasiswa
Lebih terperinciSarimah. ABSTRACT
PENDETEKSIAN OUTLIER PADA REGRESI LOGISTIK DENGAN MENGGUNAKAN TEKNIK TRIMMED MEANS Sarimah Mahasiswa Program Studi S1 Matematika Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Lebih terperinciE-Jurnal Matematika Vol. 2, No.2, Mei 2013, ISSN:
E-Jurnal Matematika Vol., No., Mei 013, 37-41 ISSN: 303-1751 PENERAPAN REGRESI QUASI-LIKELIHOOD PADA DATA CACAH (COUNT DATA) YANG MENGALAMI OVERDISPERSI DALAM REGRESI POISSON (Studi Kasus: Jumlah Kasus
Lebih terperinciHALAMAN PERSETUJUAN PEMBIMBING
DAFTAR ISI HALAMAN JUDUL.... HALAMAN PERSETUJUAN PEMBIMBING..... HALAMAN PENGESAHAN TUGAS AKHIR..... HALAMAN PERSEMBAHAN.... KATA PENGANTAR... DAFTAR ISI... DAFTAR TABEL... DAFTAR GAMBAR... DAFTAR LAMPIRAN...
Lebih terperinciFAKTOR-FAKTOR YANG MEMPENGARUHI RUMAH TANGGA NELAYAN BERPERILAKU HIDUP BERSIH DAN SEHAT DENGAN ANALISIS REGRESI LOGISTIK
FAKTOR-FAKTOR YANG MEMPENGARUHI RUMAH TANGGA NELAYAN BERPERILAKU HIDUP BERSIH DAN SEHAT DENGAN ANALISIS REGRESI LOGISTIK Oleh: Agista Dyah Prabawati (1308 100 026) Dosen Pembimbing: Dra. Destri Susilaningrum,
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI POISSON TERGENERALISASI TERBATAS DENGAN METODE MAKSIMUM LIKELIHOOD
ESTIMASI PARAMETER MODEL REGRESI POISSON TERGENERALISASI TERBATAS DENGAN METODE MAKSIMUM LIKELIHOOD Fitra1, Saleh2, La Podje3 Mahasiswa Program Studi Statistika, FMIPA Unhas 2,3 Dosen Program Studi Statistika,
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) ( X Print) D-193
JURNAL SAINS DAN SENI ITS Vol. 5 No. (016) 337-350 (301-98X Print) D-193 Analisis Faktor-Faktor yang Memengaruhi Jumlah Kasus Tuberculosis di Surabaya Tahun 014 Menggunakan Geographically Weighted Negative
Lebih terperinciPemetaan dan Pemodelan Tingkat Partisipasi Angkatan Kerja (TPAK) Perempuan di Provinsi Jawa Timur dengan Pendekatan Model Probit
JURNAL SAINS DAN SENI POMITS Vol. 2, No. 2, (2013) ISSN: 2337-3520 (2301-928X Print) D-159 Pemetaan dan Pemodelan Tingkat Partisipasi Angkatan Kera (TPAK) Perempuan di Provinsi Jawa Timur dengan Pendekatan
Lebih terperinciAnalisis Survival Faktor-Faktor yang Mempengaruhi Laju Kesembuhan Pasien Penderita Demam Berdarah Dengue (DBD) di RSU Haji Surabaya dengan Regresi Cox
JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 1) ISSN: 31-98X D-71 Analisis Survival Faktor-Faktor yang Mempengaruhi Laju Kesembuhan Pasien Penderita Demam Berdarah Dengue (DBD) di RSU Haji Surabaya
Lebih terperinciE-Jurnal Matematika Vol. 5 (4), November 2016, pp ISSN:
E-Jurnal Matematika Vol 5 (4), November 2016, pp 133-138 ISSN: 2303-1751 PERBANDINGAN REGRESI ZERO INFLATED POISSON (ZIP) DAN REGRESI ZERO INFLATED NEGATIVE BINOMIAL (ZINB) PADA DATA OVERDISPERSION (Studi
Lebih terperinciBAB 4 ANALISIS DAN PEMBAHASAN
BAB 4 ANALISIS DAN PEMBAHASAN Pada bab analisis dan pembahasan ini akan jelaskan tentang pola persebaran jumlah penderita kusta dan faktor-faktor yang mempengaruhinya, kemudian dilanjutkan dengan pemodelan
Lebih terperinciPemodelan Angka Putus Sekolah Tingkat SLTP dan sederajat di Jawa Timur Tahun 2012 dengan Menggunakan Analisis Regresi Logistik Ordinal
Pemodelan Angka Putus Sekolah Tingkat SLTP dan sederajat di Jawa Timur Tahun 2012 dengan Menggunakan Analisis Regresi Logistik Ordinal Oleh: DELTA ARLINTHA PURBASARI 1311030086 Dosen Pembimbing: Dr. Vita
Lebih terperinciPemodelan Angka Putus Sekolah Usia Wajib Belajar Menggunakan Metode Regresi Spasial di Jawa Timur
JURNAL SAINS DAN SENI POMITS Vol. 2, No.2, (203) 2337-3520 (230-928X Print) D-7 Pemodelan Angka Putus Sekolah Usia Wajib Belajar Menggunakan Metode Regresi Spasial di Jawa Timur Bagus Naufal Fitroni, dan
Lebih terperinciANALISIS PENDUDUK BEKERJA BERDASARKAN SEKTOR PEKERJAAN DAN JAM KERJA MENGGUNAKAN REGRESI PROBIT BIVARIAT DI PROVINSI ACEH
ANALISIS PENDUDUK BEKERJA BERDASARKAN SEKTOR PEKERJAAN DAN JAM KERJA MENGGUNAKAN REGRESI PROBIT BIVARIAT DI PROVINSI ACEH Rizal Rahmad 1, Toni Toharudin 2, Anna Chadijah 3 Prodi Master Statistika Terapan,
Lebih terperinciTUGAS AKHIR SS141501
TUGAS AKHIR SS141501 PEMODELAN FAKTOR-FAKTOR YANG MEMPENGARUHI JUMLAH KASUS TUBERKULOSIS DI JAWA TIMUR MENGGUNAKAN METODE GEOGRAPHICALLY WEIGHTED GENERALIZED POISSON REGRESSION DAN GEOGRAPHICALLY WEIGHTED
Lebih terperinciPENDEKATAN REGRESI TOBIT PADA FAKTOR-FAKTOR YANG MEMPENGARUHI PENGELUARAN RUMAH TANGGA UNTUK PENDIDIKAN DI JAWA TIMUR
PENDEKATAN REGRESI TOBIT PADA FAKTOR-FAKTOR YANG MEMPENGARUHI PENGELUARAN RUMAH TANGGA UNTUK PENDIDIKAN DI JAWA TIMUR Neser Ike Cahyaningrum 1307100012 Dosen Pembimbing Dr. Dra. Ismaini Zain, M.Si AGENDA
Lebih terperinciBAB III REGRESI SPASIAL DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR)
BAB III REGRESI SPASIAL DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION (GWPR) 3.1 Regresi Poisson Regresi Poisson merupakan suatu bentuk analisis regresi yang digunakan untuk memodelkan data
Lebih terperinciPEMODELAN KEMATIAN BALITA MALNUTRISI DENGAN PENDEKATAN ZERO-INFLATED POISSON (ZIP) REGRESSION DI PROVINSI JAWA TENGAH
PEMODELAN KEMATIAN BALITA MALNUTRISI DENGAN PENDEKATAN ZERO-INFLATED POISSON (ZIP) REGRESSION DI PROVINSI JAWA TENGAH 1 Prisca Shery Camelia, 2 Indah Manfaati Nur, 3 Moh. Yamin Darsyah 1,2,3 Program Studi
Lebih terperinciKajian Generalisasi Distribusi Binomial yang Bertipe COM-Poisson dan Sifat-Sifatnya
JURNAL SAINS DAN SENI ITS Vol. 4, No.2, 2015 2337-3520 2301-928X Print A-67 Kajian Generalisasi Distribusi Binomial yang Bertipe COM-Poisson dan Sifat-Sifatnya Marselly Dian Saputri, Farida Agustini Widjajati,
Lebih terperinciPEMODELAN RISIKO PENYAKIT PNEUMONIA PADA BALITA DI PROVINSI JAWA TIMUR DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION
E-Jurnal Matematika Vol. 4 (2), Mei 2015, pp. 31-36 ISSN: 2303-1751 PEMODELAN RISIKO PENYAKIT PNEUMONIA PADA BALITA DI PROVINSI JAWA TIMUR DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED LOGISTIC REGRESSION
Lebih terperinciPemodelan Pneumonia pada Balita di Surabaya Menggunakan Spatial Autoregressive Models
JURNAL SAINS DAN SENI ITS Vol. 6, No. 1, (2017) ISSN: 2337-3520 (2301-928X Print) D-89 Pemodelan Pneumonia pada Balita di Surabaya Menggunakan Spatial Autoregressive Models Ilhamna Aulia, Mutiah Salamah
Lebih terperinciSEMINAR TUGAS AKHIR 16 JANUARI Penyaji : I Dewa Ayu Made Istri Wulandari Pembimbing : Prof.Dr.Drs. I Nyoman Budiantara, M.
16 JANUARI ANALISIS FAKTOR FAKTOR YANG MEMPENGARUHI PENDUDUK MISKIN DAN PENGELUARAN PERKAPITA MAKANAN DI JAWA TIMUR DENGAN METODE REGRESI NONPARAMETRIK BIRESPON SPLINE Penyaji : I Dewa Ayu Made Istri Wulandari
Lebih terperinciJURUSAN STATISTIKA - FMIPA INSTITUT TEKNOLOGI SEPULUH NOPEMBER. Ayunanda Melliana Dosen Pembimbing : Dr. Dra. Ismaini Zain, M.
JURUSAN STATISTIKA - FMIPA INSTITUT TEKNOLOGI SEPULUH NOPEMBER Seminar hasil TUGAS AKHIR Ayunanda Melliana 1309100104 Dosen Pembimbing : Dr. Dra. Ismaini Zain, M.Si PENDAHULUAN Latar Belakang Rumusan Masalah
Lebih terperinciPEMODELAN KASUS DEMAM BERDARAH DENGUE (DBD) DI JAWA TIMUR DENGAN MODEL POISSON DAN BINOMIAL NEGATIF THERESIA MARIANE DEBORA NATALIA LUMBAN TOBING
PEMODELAN KASUS DEMAM BERDARAH DENGUE (DBD) DI JAWA TIMUR DENGAN MODEL POISSON DAN BINOMIAL NEGATIF THERESIA MARIANE DEBORA NATALIA LUMBAN TOBING SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2011
Lebih terperinciPemodelan Ketahanan Pangan Rumah Tangga Penderita Tuberkulosis Paru Menggunakan Regresi Logistik Biner
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 017 Pemodelan Ketahanan Pangan Rumah Tangga Penderita Tuberkulosis Paru Menggunakan Regresi Logistik Biner S - 1 Ayu Febriana Dwi Rositawati 1, Sri Pingit
Lebih terperinciPemetaan dan Pemodelan Tingkat Partisipasi Angkatan Kerja (TPAK) Perempuan di Provinsi Jawa Timur dengan Pendekatan Model Probit
1 Pemetaan dan Pemodelan Tingkat Partisipasi Angkatan Kera (TPAK) Perempuan di Provinsi Jawa Timur dengan Pendekatan Model Probit Rizky Amalia Yulianti*, Vita Ratnasari*. Jurusan Statistika, FMIPA, Institut
Lebih terperinciISSN: Vol. 1 No. 1 Agustus 2012
ISSN: 2303-1751 Vol. 1 No. 1 Agustus 2012 e-jurnal Matematika, Vol. 1, No. 1, Agustus 2012, 94-98 ISSN: 2303-1751 PEMODELAN ANGKA KEMATIAN BAYI DENGAN PENDEKATAN GEOGRAPHICALLY WEIGHTED POISSON REGRESSION
Lebih terperinciPENERAPAN HURDLE NEGATIVE BINOMIAL PADA DATA TERSENSOR
PENERAPAN HURDLE NEGATIVE BINOMIAL PADA DATA TERSENSOR SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 215 S-5 Penerapan Hurdle Negative Binomial pada Data Tersensor Resa Septiani Pontoh, Defi
Lebih terperinciPROSIDING ISSN : Seminar Nasional Statistika 12 November 2011 Vol 2, November 2011
(R.7) Model Regresi Poisson dan Model Spasial Otoregresif Poisson untuk Mendeteksi Faktor-Faktor yang Berpengaruh terhadap Jumlah Penderita Gizi Buruk di Provinsi Jawa Timur Siti Rohmah Rohimah 1, Muhammad
Lebih terperinciPemodelan Faktor-Faktor yang Mempengaruhi Kemiskinan Kabupaten/Kota di Jawa Timur Menggunakan Regresi Data Panel
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (016) 337-350 (301-98X Print) D-45 Pemodelan Faktor-Faktor yang Mempengaruhi Kemiskinan Kabupaten/Kota di Jawa Timur Menggunakan Regresi Data Panel Nur Fajriyah
Lebih terperinciPERBANDINGAN KINERJA DIAGRAM KONTROL MULTIVARIAT UNTUK VARIABILITAS BERDASARKAN MATRIKS KOVARIANSI DAN MATRIKS KORELASI. Abstrak
PERBANDINGAN KINERJA DIAGRAM KONTROL MULTIVARIAT UNTUK VARIABILITAS BERDASARKAN MATRIKS KOVARIANSI DAN MATRIKS KORELASI Dwi Yuli Rakhmawati, Muhammad Mashuri 2,2) Institut Teknologi Sepuluh Nopember dwiyuli_rakhmawati@yahoo.com,
Lebih terperinciAnalisis Faktor-Faktor yang Mempengaruhi Anggaran Pembelian Barang Tahan Lama Rumah Tangga di Jawa Timur dengan Menggunakan Regresi Tobit
Analisis Faktor-Faktor yang Mempengaruhi Anggaran Pembelian Barang Tahan Lama Rumah Tangga di Jawa Timur dengan Menggunakan Regresi Tobit Nama : Margareth G. Shari NRP : 1307 100 026 JURUSAN STATISTIKA
Lebih terperinciPENERAPAN REGRESI ZERO INFLATED POISSON DENGAN METODE BAYESIAN
PENERAPAN REGRESI ZERO INFLATED POISSON DENGAN METODE BAYESIAN A. Rofiqi Maulana; Suci Astutik Universitas Brawijaya; arofiqimaulana@gmail.com ABSTRAK. Filariasis (Penyakit Kaki Gajah) adalah penyakit
Lebih terperinciSecond-Order Confirmatory Factor Analysis pada Kemiskinan di Kabupaten Jombang
JURNAL SAINS DAN SENI POMITS Vol. 3, No., (014) 337-350 (301-98X Print) D-78 Second-Order Confirmatory Factor Analysis pada di Kabupaten Jombang Masnatul Laili dan Bambang Widanarko Otok Jurusan Statistika,
Lebih terperinciUniversitas Negeri Malang
IMPLEMENTASI REGRESI LOGISTIK ORDINAL PADA FAKTOR- FAKTOR YANG MEMPENGARUHI PERMINTAAN ASURANSI JIWA (Studi Kasus di AJB Bumiputera 1912 Cabang Malang Dieng) Universitas Negeri Malang E-mail: rramadhayanti@gmail.com
Lebih terperinciPemodelan Kerugian Makroekonomi Akibat Bencana Alam Dengan Regresi Panel
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Pemodelan Kerugian Makroekonomi Akibat Bencana Alam Dengan Regresi Panel Evi Kinasih Ikhwan dan Dwi Endah Kusrini Jurusan
Lebih terperinciLANDASAN TEORI. menyatakan hubungan antara variabel respon Y dengan variabel-variabel
5 II. LANDASAN TEORI 2.1 Model Regresi Poisson Analisis regresi merupakan metode statistika yang populer digunakan untuk menyatakan hubungan antara variabel respon Y dengan variabel-variabel prediktor
Lebih terperinciBAGAN KENDALI ZERO INFLATED POISSON ADRIAN MATANDUNG. Pembimbing 1. Dr. Erna Tri Herdiani, M.Si, 2. Dr. La Podje Talangko, M.Si.
BAGAN KENDALI ZERO INFLATED POISSON ADRIAN MATANDUNG Pembimbing. Dr. Erna Tri Herdiani, M.Si, 2. Dr. La Podje Talangko, M.Si. Program Studi Statistik, Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi merupakan salah satu metode statistika yang luas penggunaanya dalam berbagai bidang dan telah diterapkan untuk berbagai jenis pengujian serta penelitian.
Lebih terperinciIDENTIFIKASI FAKTOR-FAKTOR YANG MEMPENGARUHI MAHASISWA PASCASARJANA IPB BERHENTI STUDI MENGGUNAKAN ANALISIS CHAID DAN REGRESI LOGISTIK
IDENTIFIKASI FAKTOR-FAKTOR YANG MEMPENGARUHI MAHASISWA PASCASARJANA IPB BERHENTI STUDI MENGGUNAKAN ANALISIS CHAID DAN REGRESI LOGISTIK Mohamad Jajuli Teknik Informatika, Fakultas Ilmu Komputer, Universitas
Lebih terperinci